压力容器智能化定期检验数据采集与分析规范

压力容器智能化定期检验数据采集与分析规范范围本文件规定了压力容器智能化定期检验数据采集与分析的总体要求、数据采集、数据治理与交换、数据分析方法与智能化应用、结果输出与报告要求、记录与信息安全，以及持续改进等要求。本文件适用于在役压力容器开展定期检验活动中数据的采集、存储、处理、分析与归档，可用于检验机构实施检验数据数字化交付、使用单位开展设备完整性管理与风险分级管控、以及平台系统建设与验收。对特定行业或特殊介质、特殊结构压力容器，可在满足本文件要求的基础上制定补充数据项与专项分析规则。规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T1.1—2020标准化工作导则第1部分：标准化文件的结构和起草规则GB/T19001—2016质量管理体系要求GB/T27025—2019检测和校准实验室能力的通用要求TSG08—2017特种设备使用管理规则TSG21—2016固定式压力容器安全技术监察规程术语和定义下列术语和定义适用于本文件。

压力容器pressurevessel在规定压力下运行，盛装气体或液体并符合特种设备目录及相关安全技术规范管理要求的设备。

定期检验periodicinspection按规定周期对在用压力容器实施的安全状况检验活动，包括资料核查、现场检查、无损检测、测厚与评定等，并形成检验结论与处置建议。

智能化定期检验intelligentperiodicinspection以数据采集、数据融合、算法分析与可追溯证据链为支撑，对压力容器缺陷识别、风险判定与处置建议形成过程进行辅助或部分自动化的检验模式。

检验数据inspectiondata在定期检验全过程形成并用于评定的结构化或非结构化数据，包括基础信息、运行信息、检测数据、影像资料、记录表单与结论输出等。

原始数据rawdata由检测设备或采集系统直接获得、未经影响结果真实性处理的原始记录，如A扫/B扫/C扫、DR图像、相控阵数据文件、测厚原始读数序列等。

元数据metadata用于描述数据来源、采集条件、时间空间位置、设备状态、人员与版本信息等的附加信息，用于支持数据解释、追溯与复算。

数据质量dataquality数据满足预期用途的程度，通常包含完整性、准确性、一致性、及时性、可追溯性与可解释性等维度。

数据治理datagovernance对数据标准、采集流程、质量控制、权限安全、生命周期与变更管理实施的制度化管理活动。

缺陷识别defectdetection利用检验与检测数据确定缺陷存在性、类型、位置、尺寸/当量及其变化趋势的过程。

风险评估riskassessment综合缺陷信息、工况载荷、材料与环境等因素，对失效可能性与后果进行评估的过程，为检验策略与处置决策提供依据。总体要求基本原则压力容器智能化定期检验数据采集与分析应遵循“标准统一、源头可信、过程可控、结果可证、全程可追溯”的原则。数据采集应服务于检验结论形成与复核仲裁需求，数据分析应满足可解释、可复算、可审计要求。数据范围与分层管理应按“设备基础数据—运行工况数据—检验检测数据—缺陷与处置数据—评定结论数据”进行分层管理。各层数据应建立明确的数据责任主体、更新频次、质量控制点与保留期限，并与设备唯一标识关联。数据标准化与编码要求应建立统一的数据字典与编码规则，至少覆盖设备编号、部件编码、检测区域编码、测点编号、缺陷类型编码、检验项目编码与结果状态编码等内容。编码规则应支持跨年度、跨承包方、跨系统的数据汇聚与比对，避免“同物不同名、同名不同义”。数据采集可复现性要求对壁厚测量、腐蚀测点、重点焊缝与高风险区域的检测位置，应采用可复现的定位机制，确保历次检验数据可比。对采用数字化无损检测的，应保留关键参数与校准信息，确保原始数据可复算。数据质量控制与异常处置应建立数据质量控制机制，至少包括采集前检查、采集中校核、采集后复核与入库验收。对缺失、冲突、异常漂移或可疑数据应启动复核，必要时复测或异法验证，并形成闭环记录。数据质量要求与控制点可按表2实施。信息安全与权限管理应按最小权限原则实施数据访问控制。涉及设备设计制造资料、工艺介质、运行参数、缺陷位置与评定结论等敏感信息的数据，应进行分级分类管理，支持审计日志、版本追踪与备份恢复，防止未授权访问与篡改。数据采集数据采集策划与任务定义采集策划实施单位应在检验准备阶段编制数据采集计划，计划应至少明确：采集对象、采集范围与边界、采集方法（现场采集/系统对接/导入）、采集设备与软件版本、采集人员与授权、质量控制点、数据交付格式与命名规则、原始数据保留要求及信息安全要求。任务定义与验收口径数据采集任务应以检验项目为主线进行定义，并与检验方案一致。任务验收口径应至少包含：必采数据项清单、必采元数据清单、最小样本量或覆盖率要求、数据文件完整性、可读性与可复算性要求。数据来源与采集对象数据来源分类数据来源宜分为以下类别并分别受控：a)静态资料：设计、制造、安装、改造修理、材料与焊接资料、历史检验报告；b)运行信息：介质、温压、启停与波动、腐蚀环境、加药与清洗、异常事件；c)检验检测数据：外观与结构检查记录、测厚数据、无损检测原始数据及评定结果、泄漏检测与密封性验证记录；d)缺陷与处置数据：缺陷定位与尺寸、评级、修理方案与返修记录、复检验证结果；e)关联数据：在线监测传感器数据、检修工单、备品备件、风险评估与管理措施等。采集对象边界采集对象应覆盖压力容器本体及其关键连接部位，至少包括：筒体、封头、法兰与密封面、接管与补强、支座与鞍座、焊缝与热影响区、开孔与应力集中部位、腐蚀易发区域、保温/衬里覆盖区域（按可达性确定）及与运行介质接触的内表面相关信息。数据项与元数据要求数据项最小集合智能化定期检验应至少采集表1规定的数据项最小集合；若设备存在高风险工况、重大缺陷史或特殊材料敏感性，应补充采集相应专项数据项（如氯离子环境、湿硫化氢环境、疲劳载荷谱、热循环次数等）。元数据最小集合每类检验检测数据应至少附带以下元数据：数据来源、采集时间、采集人员/设备、采集位置、设备状态、方法与标准、仪器编号与校准状态、关键参数、数据版本与处理流程标识。压力容器智能化定期检验数据项与元数据最小集合数据类别必采数据项必采元数据设备基础数据设备唯一编号、介质、设计/工作压力温度、材质、结构型式、制造单位与出厂信息、投用日期数据来源、版本号、变更记录表1压力容器智能化定期检验数据项与元数据最小集合（续）数据类别必采数据项必采元数据运行工况数据近周期运行温压范围、启停次数、介质变化、腐蚀/结垢控制措施、异常事件工况时间窗、数据采集方式、数据缺失说明外观与结构检查外表面腐蚀、变形、泄漏痕迹、支座沉降、保温破损、衬里异常等记录与照片检查区域编码、照片时间/位置、检查人壁厚测量测点坐标/网格、原始读数、最小壁厚、腐蚀速率计算所需数据测厚仪编号/校准状态、耦合剂/表面状态、测点复现方式无损检测原始数据文件（DR/DICOM、A/B/C扫、相控阵文件等）、评定结果、缺陷定位与尺寸方法标准、设备参数、灵敏度/校准信息、检测人员与资格缺陷与处置缺陷类型、位置、尺寸、评级、修理/监控措施、复检结果处置依据、审批记录、复检时间与方法现场数据采集过程控制采集前核查采集前应核查设备状态与现场条件，包括安全隔离、介质置换、表面处理条件、可达性、照明与环境干扰。对影响检测结果的因素应记录并采取措施控制。采集过程记录采集过程应同步记录关键过程信息，至少包括：采集步骤、关键参数设置、异常情况与处置、重复测量情况、数据文件命名与存储路径。对关键部位的检测应保留过程影像或屏幕截图，形成证据链。采集后复核采集后应对数据完整性与可用性进行现场复核，至少包括：文件可打开、关键字段齐全、采集位置可复现、异常值有解释、原始数据已留存。发现问题应在离场前补采或复测，避免后续不可修复的数据缺口。数据质量控制点与入库验收质量控制点设置应按“采集前—采集中—采集后—入库前”设置质量控制点，覆盖完整性、准确性、一致性、可追溯性与可解释性等维度。入库验收与不符合处置数据入库前应实施验收，验收不通过的数据不得用于自动分析或形成结论。对不符合数据应分类处置：可补齐的补采补录；需复测的启动复测；不可修复的应标识为受限数据并说明对结论影响。数据质量控制点与验收要求控制环节主要检查项判定要点处置要求采集前设备标识一致性、仪器校准状态、方案与范围确认编码一致、校准在有效期、任务清单明确不满足则暂停采集并纠正采集中参数记录、测点复现信息、异常记录关键参数齐全、位置可复现、异常有处置记录发现缺失应即时补录/补采采集后文件可读性、原始数据留存、数据项完整性原始文件可打开、命名规范、字段齐全离场前补采或复测入库验收一致性校验、逻辑校验、版本校验、审计日志同一设备多源数据可关联，冲突可解释不合格数据隔离并闭环数据采集安全、保密与合规要求数据分级分类应对检验数据进行分级分类管理。涉及国家/行业监管要求、企业关键装置安全、工艺敏感信息、重大缺陷位置与处置措施的数据，应纳入敏感数据范围并采取强化控制措施。权限与审计应实施账号权限分级，数据导出、删除、覆盖、结论修改、模型参数变更等关键操作应留存审计日志并可追溯。数据共享应遵循“最小必要”原则，并形成审批与交接记录。备份与灾备原始数据与关键结论数据应制定备份与恢复策略，保证可恢复性。对数字化无损检测原始数据宜采用不可变更存储或等效防篡改措施，满足复核与仲裁需要。数据治理与交换数据治理总体要求应建立与智能化定期检验相适配的数据治理机制，覆盖数据标准、数据质量、数据权限、数据生命周期、数据变更与审计追溯等内容。数据治理应以设备唯一标识为主线，实现多源数据的一致关联、版本可控与可复核。数据字典与主数据管理数据字典应建立数据字典并受控管理，数据字典至少应包含：数据项名称、数据项定义、数据类型、单位、允许范围/枚举值、缺失值规则、采集来源、更新频次、质量校验规则与责任主体。数据字典变更应履行审批，必要时应开展变更影响评估。主数据应建立主数据体系并保持稳定，主数据至少包括：设备信息主数据、部件与区域主数据、测点主数据、缺陷类型与等级主数据、检验项目与方法主数据。主数据应支持跨年度一致性，避免因命名或编码变化造成数据断链。唯一标识与关联规则应定义设备唯一标识、部件/区域标识、测点标识及数据文件标识的关联规则。对于多系统并行场景，应建立映射关系并定期校验，保证同一对象跨系统可对齐。数据格式、文件命名与结构化要求数据格式数据格式应支持结构化数据与非结构化数据并行管理。结构化数据宜采用可校验的通用格式；影像、波形、原始文件等非结构化数据应提供可读元数据索引并与结构化记录绑定。文件命名规则原始数据文件、过程证据文件与导出报告文件应采用统一命名规则并可逆解析，至少包含：设备唯一标识、检验日期、检验项目编码、检测区域编码、文件类型、版本号与序号等要素。命名规则应在实施文件中固化并受控。数据结构化入库对关键检测结果与关键参数应实现结构化入库，至少结构化入库以下信息：检测区域、测点坐标/复现信息、缺陷定位与尺寸、评级/评定参数、方法与设备参数、人员资质信息与校准信息。对于仅保存为图片或PDF而无法结构化的数据，不宜作为智能分析的唯一输入。数据生命周期与版本控制生命周期管理数据应按生命周期进行管理，至少包括采集、入库、使用、归档、封存与销毁。生命周期规则应明确：保存期限、保存介质、访问权限、归档触发条件与销毁审批流程。版本控制与变更留痕应对以下内容实施版本控制并留痕：数据字典、主数据、分析模型、阈值规则、分析脚本/流程、报告模板与自动判定逻辑。版本变更应具备变更记录、变更原因、审批信息与回滚策略；必要时应保留变更前后的对比结果。数据交换与接口要求接口与同步与外部系统进行数据交换时，应明确接口协议、字段映射、单位换算、编码规则与同步频率。接口应设置数据校验机制，至少包含：完整性校验、重复数据识别、异常值识别与时间戳一致性校验。数据导入导出控制数据导入应具备入库验收流程，导出应具备权限控制与审计记录。对外共享数据应遵循最小必要原则，并对敏感字段进行脱敏或分级输出。数据分析方法与智能化应用分析目标与输出边界数据分析应以定期检验业务目标为导向，至少包括：缺陷识别与定位、缺陷定量与评级支持、壁厚与腐蚀趋势分析、异常工况关联分析、检验覆盖与质量审查、风险提示与处置建议支持。分析输出应明确边界：分析结论为“辅助决策”还是“自动判定”；当输出涉及自动判定时，应设置人工复核机制与可解释证据链。分析数据准备与预处理数据清洗分析前应进行数据清洗与一致化处理，至少包括：缺失值处理、异常值筛查、单位统一、编码统一、时间对齐与重复数据处理。清洗规则应受控管理，并对清洗前后数据保留可追溯记录。数据对齐与融合多源数据融合应基于统一对象标识与统一空间定位机制。融合时应优先保证“位置可复现”，确保壁厚点、焊缝位置、检测区域与缺陷位置在历次检验之间可对齐；对无法对齐的，应进行标识并限制其用于趋势结论。数据质量门槛用于分析的数据应满足最低质量门槛，至少包括：关键字段齐全、采集参数齐全、位置可复现、原始数据可读、校准信息有效。未满足门槛的数据应标识为“受限数据”，不得用于形成自动化结论。典型分析场景与方法要求壁厚与腐蚀趋势分析应建立壁厚数据的趋势分析方法，至少包括：a)测点对齐与一致性校验；b)历次壁厚变化量、腐蚀速率计算与不确定性/误差项考虑；c)最小壁厚识别与空间聚集识别；d)趋势外推的适用条件与限制；e)结果与工况、介质、加药、停用保护等因素的关联解释。当采用外推预测时，应明确预测区间与置信度表达方式，并设置人工复核与保守策略。无损检测数据智能辅助评定对数字化无损检测原始数据开展智能分析时，应明确：a)输入数据格式与必要元数据；b)缺陷识别规则或模型输出；c)可解释性要求（关键特征、证据片段、回放路径）；d)与人工评定的一致性验证与偏差处置机制；e)适用边界与降级策略。智能输出不得替代必要的校准、对比试块验证与人员评定职责；对于结论争议样本，应保留原始数据并支持仲裁复核。缺陷演化与复现对比分析应对历次缺陷记录进行复现对比，至少包括：缺陷位置匹配、尺寸变化趋势、评定等级变化、修理后复检验证一致性。对出现“位置不一致、尺寸突变、评级跳变”的情况，应触发复核机制，必要时复测或异法验证。运行工况与缺陷关联分析当具备运行数据时，宜开展工况与缺陷的关联分析，如温压波动、启停频繁、介质变化、腐蚀环境变化与缺陷增长的关系。关联分析应避免将相关性直接等同因果性，输出应以“风险提示+证据支撑”方式表达，并指导后续检验策略优化。检验覆盖性与一致性审查应对检验覆盖性进行数据化审查，包括：测厚覆盖率、关键焊缝覆盖率、高风险区域覆盖率、原始数据留存率、元数据完整率与重复性指标等。覆盖性不足应在检验过程中及时纠偏，不宜在报告阶段才发现缺口。模型、规则与阈值管理要求模型分类与使用边界智能分析可采用规则模型、统计模型或机器学习模型。无论采用何种模型，均应明确模型的适用边界、输入要求、输出含义、失效模式与降级策略。对于超出边界的数据，应输出“待复核/不可判定”而非强行给出结论。模型训练与验证采用机器学习模型时，应建立训练与验证流程，至少包括：数据集来源与代表性说明、训练/验证/测试分离、性能指标、关键场景最差表现、误报漏报分析与偏差控制。模型上线前应通过现场验证并形成验证报告，且具备回滚机制。阈值与规则受控阈值、规则参数与自动判定逻辑应受控管理，变更应履行审批并形成对比验证记录。阈值应来源明确，不得随意调整影响结论一致性。分析输出指标与输入要素分析输出宜按“输出指标—输入数据—证据链”三要素组织，关键输出指标与推荐输入要素可参照表3执行。数据分析输出指标与输入要素对应关系分析输出指标主要输入数据要素关键证据/可复核要点最小壁厚与腐蚀热点区测厚原始读数、测点坐标/复现信息、历史测厚数据测点对齐说明、异常值复核记录、原始读数可追溯腐蚀速率与趋势预测（受控）历次壁厚序列、工况时间窗、介质与防腐措施信息计算公式与参数受控、外推条件说明、置信度表达焊缝/母材缺陷识别结果NDT原始数据文件、参数与校准信息、检测区域编码可回放证据片段、模型/规则版本、人工复核结论缺陷演化对比结论历次缺陷记录、定位映射、修理与复检记录匹配规则说明、位置复现证据、差异原因分析检验覆盖性与数据完整性指标任务清单、采集记录、入库验收记录、元数据完整率覆盖率计算口径、缺口清单、补采/受限说明结果输出与报告要求输出形式与分级分析结果输出宜分为：自动生成的结构化结果、可视化结果、检验报告支撑材料与风险提示单。输出应设置分级：信息提示、建议复核、风险预警、需立即处置等，并明确触发条件与处置路径。可解释性与证据链用于支撑检验结论的分析结果应具备可解释性，至少能够追溯到：输入数据来源、关键参数与版本、计算过程或规则、证据片段、人工复核记录。对机器学习输出，应提供置信度或等效可信标识，并给出不确定性处理策略。复核机制应建立复核机制并明确触发条件。触发条件宜包括：a)结果接近关键判定阈值；b)模型置信度不足或输出为“待复核”；c)与历史趋势明显冲突或出现突变；d)关键部位